Vektordatabas
Även känt som: Vector database · Embedding database
En vektordatabas lagrar textstycken (eller bilder, ljud) som numeriska vektorer och kan snabbt hitta semantiskt liknande poster. Den är ryggraden i RAG-system.
Kort definition
En vektordatabas är en databas optimerad för att lagra och söka på höga-dimensionella numeriska vektorer (embeddings). Varje dokument eller textstycke i databasen representeras av en vektor — typiskt 768, 1024 eller 1536 tal — som kodar dokumentets semantiska innehåll.
Vid en sökning konverteras frågan också till en vektor, och databasen returnerar dokumenten med vektorer närmast frågans — "närmast" mätt via cosine similarity eller dot product.
Hur det skiljer sig från vanlig sökning
Traditionell fulltextsökning (BM25) matchar exakta ord. Frågan "hur säger jag upp mitt abonnemang" hittar bara dokument som innehåller just de orden.
Vektorsökning förstår semantik: frågan matchar även dokument som handlar om "avsluta tjänst", "terminera avtal" eller "säga upp konto". I produktion kombineras oftast båda (hybrid search) för bästa resultat.
Vanliga alternativ 2026
Cloudflare Vectorize: integrerat med Workers, bra för små till medelstora RAG-system. Låg kostnad, enkel deploy. Pinecone: managed, pålitlig, mogen — men dyrare. Qdrant & Weaviate: open-source, bra om du vill köra self-hosted. pgvector (PostgreSQL-extension): ofta bästa valet när du redan har PostgreSQL och inte vill införa en till databas.
Använd när
- Du bygger ett RAG-system med fler än ~1000 dokument
- Användare söker med naturligt språk snarare än exakta ord
- Du behöver hitta semantiskt liknande dokument — inte bara ord-matchningar
Använd inte när
- Du har strukturerad data där exakt matchning räcker — en relationsdatabas är bättre
- Datamängden är så liten att allt får plats i prompten (t.ex. <50 dokument)
Bygger ni system som använder Vektordatabas?
Vi hjälper er bedöma rätt arkitektur, undvika vanliga fallgropar och bygga produktionsklart.